康复机器人运动意图识别方法及其计算机可读存储介质与流程

本发明属于康复机器人运动意图机器学习领域，尤其涉及一种基于支持向量机的康复机器人运动意图识别方法以及计算机可读存储介质。

背景技术：

下肢康复训练机器人是康复训练机器人的一种，主要用于帮助有下肢运动功能障碍的患者进行康复训练，通过带动患者进行适量的、特定的重复性训练来促进其大脑皮质的重组，让患者通过深刻的体验来学习和储存正确的运动模式。有研究表明，机器人辅助下的下肢运动训练，感觉和运动信息同步性较好，这对于神经系统重塑，形成正确感觉和运动回路很有帮助。近年来，由于人口老龄化、脑中风、交通事故等造成下肢肢体损伤或偏瘫的人数越来越多，因此，下肢康复机器人产品对于人类福祉事业和老龄化社会保障体系具有现实的意义，并将产生明显的社会效益。

下肢康复机器人，特别是下肢康复外骨骼机器人，其控制归根到底是实现人机协调运动，获取人体运动意图显得至关重要。目前，人体运动意图的获取主要有两种方式，基于生物力学信息以及基于人机交互作用信息。基于生物力学信息是指在人体上安装相应的传感器，通过测得的信号估计人体的运动意图，常用的生物力学信号有肌电信号(emg；但是，肌电传感器需要紧贴人体表面，使用不便(人体皮肤表面出汗会影响测量的准确度，长时间粘附容易导致传感器脱落)。基于人机交互信息获取人体运动意图，是在外骨骼机构上安装力传感器或力矩传感器、imu、或检测外骨骼关节电机电流或力矩，通过测得的人机交互信息获取人体关节的运动轨迹，避免了emg传感器的诸多不便。

目前的市面上康复机器人中有采用分析脑电信号，运用svm作特征提取与分类的并识别左右躯干部位运动，进而用fes去刺激肌肉，然后实现康复，但有目前在康复机器人领域用svm作训练，从而进行有监督机器学习的分类的却并不常见。

技术实现要素：

鉴于上述现有技术的缺陷与不足，即鉴于以上内容，本发明基于人机交互作用信息，通过采集康复机器人各个关节的电机电流大小，运用支持向量机分类器算法以识别人体运动状态。

本法明提出一种康复机器人运动意图识别方法，包括：

采集康复机器人的历史关节电流信号，形成学习样本数据集；

将学习样本数据集中的历史关节电流信号进行信号预处理；

将历史关节电流信号进行离散化处理并标记对应的人体运动状态；

通过将离散化后的历史关节电流信号作为支持向量机的输入，对应的人体运动状态作为支持向量机的输出以建立支持向量机模型；

通过支持向量机模型构建运动意图分类器；

将运动意图分类器部署在服务器上；

将实时采集的关节电流信号进行数据处理并发送至服务器；

将信号发送给康复机器人并执行步态程序。

进一步地，所述人体运动状态包括：左腿迈步状态或右腿迈步状态。

进一步地，根据历史关节电流信号标记对应的人体运动状态中，所述标记方法；根据学习样本数据集中的历史关节电流信号标出人体运动状态，若是左腿迈步，则标记为-1，若是右腿迈步，则标记为+1。

进一步地，通过计算关节电流值，得出训练数据集d，其中，通过计算关节电流值，得出训练数据集d，其中，d＝{(x1，1i)，...，(xm，ym)}，xi＝(x1，x2，...，xn)，yi＝{-1，+1}，i＝1，2，...，m，其中，x1，x2，…，xn分别表示各路关节电机电流信号；n为关节电流信号的路数；m为采集的样本的总个数；-1表示左腿迈步运动状态；+1表示右腿迈步运动状态；

将支持向量机在训练数据特征空间根据超平面方程ω^tx+b＝0，划分超平面，其中ω为超平面的法向量；b为位移项；

若超平面能够对学习样本数据集正确分类，则yi(ω^txi+b)≥1；即支持向量。

进一步地，在实时数据输入至服务器的步骤中，还包括：采集康复外骨骼机器人实时关节电流信号；将实时关节电流信号进行信号预处理；将预处理后的实时关节电流信号进行离散化；将离散化的实时关节电流信号数据发送至服务器上的运动意图分类器。

进一步地，程序执行输出的步骤中，还包括：通过分类器输出人体运动意图信号并传输给康复机器人控制系统，所述人体运动意图信号包括：左腿迈步状态意图信号或右腿迈步状态意图信号；复机器人控制系统接收到运动意图信号后，执行步态程序。

进一步地，所述信号预处理的方式为采用小波阀值的方法对关节信号电流进行滤波去噪，所述小波阀值的方法包括：获得原始小波系数；对原始小波系数进行阀值量化处理，获得估计小波系数；对估计小波系数小波逆变换重构信号，获得去噪后的关节电流信号。

进一步地，所述关节电流信号的路数为四路，分别为：左腿髋关节电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值。

有益效果：与现有技术相比，本发明采用支持向量机的方法训练康复机器人对于人体运动状态意图识别进行有监督学习，进而获得人体运动状态意图，此方法提高了识别结果，优化了康复训练机器，而且在此过程中，本发明采用小波变换加时间窗的方法对信号进行处理，可以获得更快的信号处理速度，获得的数据更加精确，从而使康复机器人使用过程中达到更加智能、高效、更加主动，有效提高了康复效果。

本发明还出一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于支持向量机的康复机器人运动意图识别程序，所述基于支持向量机的康复机器人运动意图识别程序被处理器执行时实现如权利要求1至9任一项所述的图片处理方法的步骤。

有益效果：与现有技术相比，本发明的计算机可读存储介质是基于基于支持向量机的康复机器人运动意图识别程序的介质，因此具有步态识别高效的特点，可应用与各类康复机器人，有效帮助实现肢体康复的效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

图1为本发明的康复机器人运动意图识别流程。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

本实施例提出一种计算机可读存储介质，用于存储安装于外骨骼康复机器人操作系统和相应的各类应用软件，例如基于支持向量机的康复机器人运动意图识别方法的程序代码等。此外，所述存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述基于支持向量机的康复机器人运动意图识别方法，具体在于实现对人体下肢，特别是识别人体左腿迈步或右腿迈步的人体运动状态作为实施例，因此本文所说的康复机器人具体指外骨骼康复机器人，结合图1所示，所述方法如下：

步骤1：采集康复外骨骼康复机器人的历史关节电流信号作为学习样本数据集；

在本实施例中，所述历史关节电流信号包括四路，分别为：左腿髋关节电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值；

步骤2：将所述训练样本集中的四路关节电流信号进行信号预处理；

用于预处理的主要方法包括小波分析、kalman滤波等，但是采用kalman滤波方法有时需要对噪声信号构建明确的模型，因此本实施例中采用小波阀值的方法对采集的数据信号进行去噪处理，所述小波阀值的方法包括：

步骤21：获得一组小波系数；根据不同的含噪信号具备不同的特点，对原始含噪信号进行小波分解，确定小波分解层次，得到一组原始小波系数；

步骤22：将不同层次的原始小波系数进行阀值量化处理，获得估计小波系数；

步骤23：将经过阀值化处理之后的估计小波系数进行小波逆变换，得到去噪后的四路关节电机电流信号。

步骤3：将去噪后的四路关节电流信号进行离散化处理并标记对应的人体运动状态；本实施例中具体采用加窗的方法进行电流分割四路关节电流信号离散化处理，本实施例中使用了加窗的方法来分割电流信号，电流信号的采样频率为1000hz，窗口长度为20个样本点，相邻的窗重叠半个窗长。

具体地，本发明采用小波变换加时间窗的方法对信号处理，可以获得更快的信号处理速度。

具体地，在本实施例中，人体运动状态包括：左腿迈步状态或右腿迈步状态。

步骤4：通过将离散化的四路关节电流信号作为支持向量机的输入，对应的人体运动状态作为支持向量机的输出以训练支持向量机模型；

步骤5：通过支持向量机模型构建运动意图分类器；

具体步骤5包括：

步骤51：通过计算四路关节电机电流值，得出训练数据集d，其中，d＝{(x1，1i)，...，(xm，ym)}，xi＝(x1，x2，x3，x4)，yi＝{-1，+1}，i＝1，2，...，m，其中，x1，x2，x3，x4分别表示四路关节电机电流信号；m为样本的总个数，m＞10；-1表示左腿迈步运动状态，+1表示右腿迈步运动状态；

步骤52：将支持向量机在训练数据特征空间根据超平面方程ω^tx+b＝0，划分超平面，其中ω为超平面的法向量；b为位移项；

若超平面能够对训练数据集正确分类，则yi(ω^txi+b)≥1；即支持向量。

上述步骤中采用的是采用支持向量机对康复机器人作训练，然后进行有监督机器学习的分类达到对人体运动状态识别的目的。

步骤6：将运动意图分类器部署在服务器上；

步骤7：实时采集的四路关节电流信号进行数据处理并发送至服务器；

具体步骤7包括：

s71：启动外骨骼康复机器人，采集外骨骼康复机器人四路实时关节电流信号；

所述四路实时关节电流信号包括：左腿髋关节实时电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值；

s72：将所述四路实时关节电流信号进行信号预处理，采用的方法也为小波阈值法，具体方法步骤可参见步骤21、步骤22、步骤23，在此不再赘述；

s73：将去噪后的四路实时关节电流信号进行离散化，采用的方法也为加窗方法。

s74：将离散化的四路实时关节电流信号数据发送至服务器上的运动意图分类器。

步骤8：将信号发送给外骨骼康复机器人并执行步态程序。

具体地，步骤8中包括：

步骤81：通过分类器输出人体运动意图信号并传输给外骨骼康复机器人控制系统；

步骤82：外骨骼康复机器人控制系统接收到运动意图信号后，执行步态程序，具体地，所述人体运动意图信号包括：左腿迈步状态意图信号或右腿迈步状态意图信号。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。